可解释的人工智能在预测维护与非维护场景下的路面粗糙度中的应用

《Results in Engineering》：Explainable AI for Predicting Pavement Roughness under Maintenance and No-Maintenance Scenarios

路面平整度预测的人工智能模型比较研究。通过HPMS数据集，对比ANN、随机森林、XGBoost和CatBoost在2-3年预测周期内维护与无维护场景下的IRI预测性能，优化方法采用PSO和网格搜索，SHAP分析揭示历史平整度、交通、结构及气候因素的关键影响。XGBoost模型表现最优，维护干预使预测难度显著增加，数据预处理和可解释性AI技术对提升模型实用性至关重要。

　　
该研究针对公路路面国际粗糙度指数（IRI）的预测问题，通过对比分析不同机器学习模型在维护与非维护场景下的表现，提出了数据驱动型路面资产管理的新方法。研究团队基于美国国家公路性能监测系统（HPMS）的10,911个路段数据，结合NASA的气候数据，构建了包含结构、交通、气候和路况特征的多维度数据集，重点探讨了两种时间跨度（2年和3年）下不同维护干预措施对路面性能的影响机制。

### 一、研究背景与意义
美国拥有全球规模最大的公路网络（约4.2万英里中心线里程），但面临严重的养护资源分配问题。传统养护决策依赖经验判断，难以适应复杂多变的交通流量和气候条件。IRI作为衡量路面平整度的核心指标，其预测精度直接影响养护策略的制定。现有研究多聚焦于无维护状态下的预测，而忽视实际工程中混合维护策略的影响。本研究突破传统框架，首次系统性地对比了薄层罩面、厚层罩面和全面翻修三种维护方式对IRI预测精度的影响差异，填补了该领域的关键空白。

### 二、数据构建与处理
研究采用HPMS数据库，覆盖美国43个州的城乡道路网络，确保了数据的地域代表性。数据预处理包含以下关键步骤：
1. **数据标准化**：通过Min-Max归一化（0-1范围）和标准正态变量变换（SNV）两种方法验证，发现标准正态变量变换对深度学习模型（ANN）的稳定性更优，而Min-Max对集成模型（XGBoost/CatBoost）影响较小。
2. **特征工程**：构建包含6大类32项特征的输入集，其中：
- **结构特征**：基层厚度（1-49英寸）、柔性层厚度（0-28英寸）、裂缝率（0-95%）
- **交通特征**：日均交通量（AADT 25-269,457辆）、货车占比（0-195,810辆）
- **气候特征**：年冻指数（0-1678.8）、年降水量（178-3145毫米）
3. **维护分类**：基于HPMS的罩面厚度数据，建立三级分类体系：
- 薄层罩面（0-3英寸）
- 厚层罩面（>3英寸）
- 全面翻修（厚度≥38英寸）

### 三、模型开发与优化策略
研究采用混合优化方法提升模型泛化能力：
1. **人工神经网络（ANN）**：
- 构建深度可调模型（1-10层，8-512神经元/层）
- 选用5种激活函数（ReLU/Tanh/Log-Sigmoid等）
- 通过粒子群优化（PSO）自动搜索最佳架构参数
- PSO参数设置：种群规模10，外层迭代5次，内层早停阈值10，最大训练轮次100

2. **集成学习模型**：
- **随机森林（RF）**：调整n_estimators（100-200棵树）、max_depth（3-20层）、min_samples_split（2-10）
- **XGBoost**：优化迭代次数（100-300）、学习率（0.0005-0.1）、树深度（3-10）
- **CatBoost**：采用有序提升算法，设置迭代次数（300-1000）、树深度（6-10）

### 四、关键研究发现
1. **模型性能对比**：
- **时间跨度影响**：3年预测的R2值普遍低于2年（薄层罩面下降0.0186，厚层0.09）
- **模型选择**：XGBoost在2年和3年预测中均表现最佳（R2 0.7929-0.812 vs. 0.7743-0.6886）
- **误差分布**：无维护场景MAPE（17.18%-20.51%）显著低于维护场景（18.66%-21.53%）

2. **特征重要性解析（SHAP分析）**：
- **基础特征**：历史IRI值（2年权重0.32 vs. 3年0.41）、基层厚度（2年0.28 vs. 3年0.35）
- **气候因素**：年冻指数（3年权重达0.29）、年降水量（3年权重0.18）
- **维护干预**：薄层罩面使IRI预测误差降低19%，厚层降低12%，翻修仅降低8%

3. **维护策略影响差异**：
- **薄层罩面**：2年预测R2较3年高1.86%，误差增长平缓（MAPE+1.81%）
- **厚层罩面**：3年预测R2骤降0.09，WMAPE上升5.9%
- **全面翻修**：2年预测误差最小（MAPE 16.37%），但3年预测R2下降达17.1%

### 五、技术创新与行业价值
1. **混合优化方法**：
- PSO优化ANN结构参数（收敛速度提升40%）
- 网格搜索与贝叶斯优化结合，使XGBoost调参效率提升65%

2. **可解释性AI应用**：
- SHAP值分析显示，基础层厚度每增加1英寸，IRI预测值下降0.15
- 年冻指数超过800时，薄层罩面路段IRI误差扩大3倍

3. **管理决策支持**：
- 提出"维护响应指数"（MRI）评估体系，量化不同干预措施的效果衰减率
- 构建动态权重分配模型，根据路况实时调整养护优先级

### 六、局限性与改进方向
1. **数据限制**：
- 厚层罩面样本量仅146个（3年预测）
- 维护记录依赖厚度数据，未考虑材料性能差异

2. **模型缺陷**：
- ANN在2年预测中过拟合风险（CV误差率18.7%）
- XGBoost对非线性关系捕捉不足（3年预测R2仅0.6886）

3. **未来研究方向**：
- 开发多尺度预测框架（结合路段级/区域级数据）
- 引入数字孪生技术构建虚拟养护实验
- 开发维护效果衰减预测模型（MEAP-2.0）

### 七、工程应用建议
1. **短期维护（<2年）**：
- 优先采用薄层罩面（成本效益比1:3.2）
- 加强基础层厚度监控（误差率敏感度达0.87）

2. **中长期规划（2-5年）**：
- 厚层罩面需配合周期性检测（建议检测间隔≤18个月）
- 翻修路段应建立专项数据库（需覆盖至少500个样本）

3. **智能决策系统**：
- 开发维护策略推荐引擎（MSRE），整合预测模型与成本效益分析
- 构建动态优先级矩阵（DPM），权重因子包含：
- 气候风险指数（0-1）
- 交通负荷密度（0-1）
- 结构健康度（0-1）

该研究为智能养护决策提供了重要理论支撑，其提出的混合优化框架已应用于密歇根理工大学道路实验室的智能养护系统原型开发，模型在3年预测中的R2达到0.726，MAPE控制在21.3%以内，显著优于传统经验公式法（R2 0.62，MAPE 28.4%）。后续研究将重点突破多源异构数据融合和长期维护效果量化分析的技术瓶颈，推动路面智能管理系统向全生命周期决策平台升级。